Glosariusz systemów uczących się: systemy rekomendacji

Ta strona zawiera terminy ze słowniczka na potrzeby systemów rekomendacji. Aby uzyskać dostęp do wszystkich glosariuszy, kliknij tutaj.

C

generowanie kandydatów

#recsystems

Początkowy zestaw rekomendacji wybranych przez system rekomendacji. Weźmy na przykład księgarnię oferującą 100 000 tytułów. Etap generowania kandydata tworzy znacznie mniejszą listę odpowiednich książek dla danego użytkownika, np. 500. Jednak nawet 500 książek jest zbyt wielu, aby polecić je użytkownikowi. Kolejne, droższe etapy systemu rekomendacji (np. ocena i pozycje w rankingu) ograniczają te 500 do znacznie mniejszego i bardziej użytecznego zestawu rekomendacji.

filtrowanie wspólne

#recsystems

Przewidywania dotyczące zainteresowań jednego użytkownika na podstawie zainteresowań wielu innych użytkowników. Wspólne filtrowanie jest często używane w systemach rekomendacji.

I

macierz elementów

#recsystems

W systemach rekomendacji znajduje się tablica wektorów umieszczanych na stronie wygenerowana przez silnię macierzy, która zawiera ukryte sygnały o poszczególnych elementach. Każdy wiersz tablicy elementów zawiera wartość jednej ukrytej funkcji dla wszystkich elementów. Rozważ na przykład system rekomendacji filmów. Każda kolumna w tablicy elementów przedstawia jeden film. Utajone sygnały mogą wskazywać na gatunki lub trudniej je zinterpretować, jeśli wiążą się z nimi złożonymi interakcjami między gatunkiem, gwiazdami, wiekiem filmu lub innymi czynnikami.

Tablica elementów ma taką samą liczbę kolumn jak kolumna docelowa, która jest brana pod uwagę. Na przykład w systemie rekomendacji filmów oceniających 10 tys. tytułów filmów macierz elementów ma 10 tysięcy kolumn.

items

#recsystems

W systemie rekomendacji określa jednostki polecane przez system. Przykładem mogą być filmy, które poleca inny sklep z książkami.

P

utrwalanie matrycy

#recsystems

W matematyce mechanizm wyszukiwania zestawów macierzy, których iloczyn punktowy jest przybliżony do macierzy macierzy.

W systemach rekomendacji tabela docelowa często zawiera oceny użytkowników dotyczące elementów. Na przykład:

  Casablanca Historia Filadelfii Czarna Pantera Wonder Woman Pulsująca
Użytkownik 1 5,0 3,0 0.0 2,0 0.0
Użytkownik 2 4.0 0.0 0.0 1.0 5,0
Użytkownik 3 3,0 1.0 4.0 5,0 0.0

System rekomendacji filmów służy do prognozowania ocen użytkowników filmów bez oceny. Na przykład, czy użytkownik 1 tak jak Czarna Pantera?

Jedną z metod stosowanych w systemach rekomendacji jest zastosowanie matrycy do generowania tych dwóch macierzy:

  • Macierz użytkowników w postaci liczby użytkowników pomnożonej przez liczbę wymiarów umieszczonych na stronie.
  • Tablica elementów uformowana na podstawie wymiarów wymiarów umieszczonych na stronie x liczby elementów.

Na przykład korzystanie z silniki macierzy dla 3 użytkowników i 5 elementów może dać taką tablicę użytkownika i tabelę:

User Matrix                 Item Matrix

1.1   2.3           0.9   0.2   1.4    2.0   1.2
0.6   2.0           1.7   1.2   1.2   -0.1   2.1
2.5   0.5

Iloczyn punktowy macierzy macierzy i elementów tworzy tablicę rekomendacji, która zawiera nie tylko pierwotne oceny użytkowników, ale także prognozy dotyczące filmów, których nie widział każdy użytkownik. Weźmy na przykład ocenę Casablanca użytkownika 1, która jest 5.0. Kropka odpowiadająca tej komórce w tablicy rekomendacji powinna być około 5, 0:

(1.1 * 0.9) + (2.3 * 1.7) = 4.9

A co ważniejsze, czy użytkownik 1 tak jak Czarna Pantera? Użycie kropki oznacza pierwszy wiersz, a trzecia kolumna zapewnia przewidywaną ocenę 4,3:

(1.1 * 1.4) + (2.3 * 1.2) = 4.3

Rozłożenie matrycy na dane zazwyczaj powoduje powstanie zestawu użytkowników i matrycy, które razem są znacznie bardziej kompaktowe niż macierz docelowy.

R

system rekomendacji

#recsystems

System, który wybiera dla każdego użytkownika stosunkowo niewielki zestaw elementów z dużego korpusu. Na przykład system rekomendacji wideo może polecić 2 filmy ze zbioru 100 000 filmów, wybierając Casablanca i The Philadelphia Story dla jednego użytkownika, a Wonder Woman i Black Panther dla innego. System rekomendacji wideo może opierać swoje rekomendacje na takich czynnikach jak:

  • Filmy, które oceniali lub oglądali podobni użytkownicy.
  • Gatunek, reżyser, aktorzy, grupa docelowa...

zmiana rankingu

#recsystems

Ostatni etap systemu rekomendacji, w którym oceniane elementy mogą zostać ponownie ocenione według innego algorytmu (zwykle niezwiązanego z systemem uczącym się). Pozycję w rankingu oceniamy na podstawie listy elementów wygenerowanych w ramach etapu oceny. Przyjmujemy takie działania jak:

  • eliminowanie produktów, które użytkownik już kupił;
  • Poprawianie wyniku świeższych elementów

S

ocena

#recsystems

Część systemu rekomendacji, która dostarcza wartość lub ranking każdego produktu utworzonego na etapie generowania kandydatów.

U

tablica użytkowników

#recsystems

W systemach rekomendacji wektor do umieszczenia na stronie wygenerowany przez uwzględnienie macierzy, który zawiera ukryte sygnały o preferencjach użytkowników. Każdy wiersz tablicy użytkowników zawiera informacje o względnej sile różnych ukrytych sygnałów dla pojedynczego użytkownika. Rozważ na przykład system rekomendacji filmów. W tym systemie ukryte sygnały w tabeli użytkowników mogą wskazywać na zainteresowanie danym gatunkiem lub są trudniejsze do zinterpretowania sygnałów, które uwzględniają złożone interakcje obejmujące wiele czynników.

Tablica użytkowników zawiera kolumny dla wszystkich ukrytych funkcji i wiersz dla każdego użytkownika. Oznacza to, że tablica użytkowników ma taką samą liczbę wierszy jak macierz docelowy, która jest brana pod uwagę. Na przykład w przypadku systemu rekomendacji filmów liczącego 1 mln użytkowników tablica użytkownika ma 1 000 000 wierszy.

Ś

Alternatywne najmniejsze kwadraty (WALS)

#recsystems

algorytm do minimalizowania funkcji celu podczas systemowania macierzy w systemach rekomendacji, co pozwala zważać na braki w przykładach; WALS minimalizuje błąd kwadratowy pierwotny między matrycą pierwotną a rekonstrukcją, naprawiając różnicowanie wierszy i kolumn. Każdą z tych optymalizacji można rozwiązać przy użyciu kwadratowej optymalizacji. Więcej informacji znajdziesz w kursie Systemy rekomendacji.